知识卡片
分类比较可消去共同证据项
固定一个待分类输入x时,各类别后验共享P(x),因此可比较P(y)P(x|y)。这个分母只是在该次类别比较中相同,不是所有输入都相同;需要后验数值而非仅选最大类时,仍应完成归一化。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
因为分母对于所有类别为常数,只要将分子最大化皆可。又因为各特征属性是条件独立的,所以有: 根据上述分析,朴素贝叶斯分类的流程可以表示如下。 第一阶段,训练数据生成训练样本集:TF-IDF。 第二阶段,对每个类别计算P (y i )。 第三阶
参考来源
- 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第04章《NLP中的概率图模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00009.html)
- 结论依据:摘录中关于分类比较可消去共同证据项的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:因为分母对于所有类别为常数,只要将分子最大化皆可。又因为各特征属性是条件独立的,所以有: 根据上述分析,朴素贝叶斯分类的流程可以表示如下。 第一阶段,训练数据生成训练样本集:TF-IDF。 第二阶段,对每个类别计算P (y i )。 第三阶